Tidigare teknisk chef för ett Google-startupföretag berättar hur han använder AI för att bygga sitt företag från grunden

Valliappa Lakshmanan är medgrundare och CTO på Obin, ett AI-infött företag som bygger autonoma agenter för ekonomiarbetsflöden. Tidigare var han chef för analys och AI-lösningar på Google Cloud. Han har dessutom djup erfarenhet av AI-integration.

Vi satte oss ner med Lak för att förstå hur han bygger ett AI-infött företag. Här är vad han hade att säga.

Djup expertis inom AI-integration

Jag heter Lak och är medgrundare och CTO på Obin. Vi bygger autonoma AI-agenter som utför ekonomiarbetsflöden från början till slut.

Jag inledde min karriär som forskare inom maskininlärning med fokus på prognoser för extremväder. Vi var en av de första branscherna att bygga ML-modeller i realtid och driftsätta dem i produktion. Sedan förde vågen av djupinlärningsteknik 2014 mig till den privata sektorn.

Jag ledde teamet för analys och AI-lösningar på Google Cloud och arbetade med många kunder som implementerade AI i produktion. Därefter gick jag till Silver Lake, ett riskkapitalbolag, där jag hjälpte till att skapa och genomföra AI-strategin för företagen i deras portfölj.

Jag tar alltså med mig djup expertis både inom att implementera AI i produktion och inom att tänka om kring hur företag anpassar sig till och drar nytta av den nya teknikens möjligheter.

Att arbeta mot högt ställda krav

Obin har funnits i mindre än ett år, men vi har ett snabbt växande team. Den tekniska utmaningen med att bygga autonoma AI-agenter inom finans är att gå från att bygga chattbotar och copiloter – där människor kontrollerar varje steg i loopen – till ett läge där AI genomför arbetsflödet från början till slut och människor granskar och övervakar.

Detta speglar också nära hur vi bygger programvara – AI-agenter skriver det mesta av koden under noggrann övervakning av våra ingenjörer.

Vi arbetar med några av de största företagen inom finans med deras mest kritiska funktioner, så kraven på att uppgifter ska slutföras och att resultaten ska vara korrekta är mycket höga.

Därför arbetar vi med Robin – vårt agentramverk som förenklar byggandet av agenter för reglerade branscher och säkerställer att de uppfyller alla nödvändiga krav på regelefterlevnad och granskningsbarhet.

Varför AI-infödda företag har ett försprång

Valliappa delar med sig

Så länge vi kan verifiera kodens funktion och koden är tillräckligt liten är den mycket tillförlitlig.

Eftersom företaget är relativt nytt har vi haft turen att kunna bygga agentbaserat. Vi är helt AI-infödda i alla våra funktioner.

Framför allt använder vi AI i stor utsträckning inom programvaruutveckling. Claude Code genererar nästan all vår ursprungliga kod. Så länge vi kan verifiera kodens funktion och koden är tillräckligt liten är den mycket tillförlitlig. Vi har också en granskningsbot från Claude i vår CI/CD som granskar varje kodändring och PR. De ”snabba vinsterna” och problemen som vår bot lyfter fram har minskat belastningen på kodgranskarna, vilket gör att vi kan arbeta snabbare.

En annan fördel är att vi inte längre behöver användarberättelser eller PRD:er för att bygga programvara. Nu prototypar och itererar vi helt enkelt.

AI genererar också designdokumentation från koden, och vi använder dessutom AI för att formatera om dokumentationen för olika målgrupper (säkerhet, dataarkitekter, AI-ingenjörer med flera). Vi kan hitta, lyfta fram och formatera om dokumentationen mycket snabbare än vad det skulle ta en människa att göra det manuellt.

Som ett sista exempel skapar vi även presentationer för investerare och säljare med hjälp av AI.

Varför det är utmanande att leda AI-medarbetare

Var och en av våra ingenjörer är i praktiken en teknikchef som övervakar en grupp AI-medarbetare. Tack vare detta arbetssätt minskade vi tiden för funktionsimplementering, och kodkvaliteten förbättrades faktiskt tack vare bättre felhantering.

Implementeringstakten blev dock en utmaning. Nu måste vi hantera utvecklingsmiljöerna noggrant för att möjliggöra testning av funktioner.

Varför AI-artefakter kräver nya granskningsprocesser

I takt med ökningen av AI-skapade artefakter — kod, konfigurationsfiler, dokument, pipelines med mera — är det viktigt för teknikledare att skala upp sin granskningsförmåga. Du kan och bör skapa kontroller av korrektheten för varje artefakt.

Här är ett exempel: Du kan jämföra informationen i ett betalningsmeddelande med tidigare betalningsmeddelanden för samma affär, låntagare med mera.

Det är bättre att lägga in kontroller av korrektheten tidigt än att upptäcka ett problem med den AI-genererade artefakten under körning!

Och sedan ska du naturligtvis använda mänskliga granskningssteg.

Var människor fortfarande måste vara närvarande i AI-programvaruutveckling

När det gäller kod finns det en tydlig uppdelning mellan vad AI hanterar och vad människor hanterar.

För närvarande får alla incheckningar och PR:er en preliminär AI-granskning. Människor genomför däremot de slutliga PR-sammanslagningarna. En senior ingenjör fortsätter att granska alla PR:er med avseende på arkitektur.

Gränsen går vid allt som innefattar sammanhang utanför källkoden. Det innebär till exempel att människor måste hantera allt som rör intressenter och regulatorisk komplexitet.

Varför domänexpertis är viktig vid AI-integration

AI fungerar bäst inom områden där du har djup expertis. Det är viktigt att veta hur något som är "bra" ser ut, så att du kan iterera med modellen tills den fungerar bra.

Inom områden där vi saknar expertis har AI-resultaten tenderat att bli ytliga.

Här är ett exempel. Direkt ur lådan fungerade AI inte bra för att generera våra affärssammanfattningar. Den kunde inte hantera motstridig information i källdokumenten och fokuserade ofta på de mest extrema påståendena i stället för de viktigaste. När det gäller information utan förankring har AI inte sett tillräckligt mycket information från privata marknader för att uppfatta nyanser. Och eftersom vi inte var experter på området hade vi svårt att få den uppdaterad.

Valliappa delar med sig

\u003cstrong\u003eDet är viktigt att veta hur något som är \u0022bra\u0022 ser ut, så att du kan iterera med (AI-)modellen tills den fungerar bra.\u003c/strong\u003e

Varför teknikledare måste vara försiktiga med att automatisera befintliga processer

När det gäller automatisering ska du inte automatisera dina nuvarande processer. Använd i stället AI för att ta bort mellanliggande steg och gå direkt till slutresultatet.

Tänk till exempel på de steg du tar för att skapa en PowerPoint-bild. Det är frestande att låta AI följa exakt samma steg, men en bild består i slutändan av XML + bilder. AI kan generera den utan att följa dina steg. Den här idén gäller även affärsprocesser — du kan skapa en faktura utan att använda det nuvarande systemet för att skapa fakturor. Anropa bara relevanta API:er i bakänden för att hämta rätt priser och kvantiteter.

Varför AI kan skapa kognitiv överbelastning

Här är en av de största nackdelarna jag har sett för teknikledare: Den hastighet som AI-verktyg arbetar med skapar en betydande kognitiv överbelastning.

För att minska överbelastningen införde vi två timmars tid för "djupt tänkande" varje eftermiddag. När det gäller om det kommer att hjälpa återstår det att se.

Följ med

Du kan följa Valliappa Lakshmanan på LinkedIn, eller ta en titt på Obin.

Fler expertintervjuer kommer på CTO-klubben!